نقش توابع کرنل در افزایش دقت پیش بینی تبخیر روزانه در دو منطقه مرطوب و خشک ایران

تبخیر به عنوان یک عامل کلیدی در مطالعات هیدرولوژیکی، آب و هوایی، مدیریت آب کشاورزی، برنامه‌ریزی آبیاری و غیره در نظر گرفته می‌شود. تبخیر به دلیل فعل و انفعالات عوامل مختلف آب و هوایی، یک پدیده پیچیده و غیرخطی است. بنابراین، برای تخمین تبخیر باید از مدل‌های پیشرفته مانند معادلات تجربی و هوش مصنوعی استفاده کرد. در سال‌های اخیر، معادلات تجربی به طور گسترده‌ برای تخمین تبخیر استفاده شده است. در این تحقیق عملکرد مدل‌های رگرسیون فرایند گاوسی (gpr) و رگرسیون ماشین بردار پشتیبان (svr) در تخمین تبخیر روزانه دو ایستگاه آمل و بم، در بازه زمانی 2020- 2016 ارزیابی شده است. داده‌های روزانه هواشناسی میانگین دما، رطوبت نسبی، ساعات آفتابی و سرعت باد، به ‌عنوان ورودی مدل‌های gpr و svr برای تخمین تبخیر روزانه استفاده شد. در مطالعه حاضر چهار سناریو ترکیبی از پارامترهای هواشناسی به ‌منظور تخمین تبخیر بکار گرفته شدند. نتایج حاصل از مدل‌های مذکور نشان داد که هر دو مدل gpr و svr عملکرد قابل قبولی در تخمین تبخیر دارند (ضریب همبستگی حدود 94/0). همچنین با توجه به ارزیابی‌های انجام‌شده، مشخص شد که مدل gpr عملکرد بهتری نسبت به مدل svr داشته است (جذر میانگین مربعات خطا به ترتیب 56/1 و 62/1). در تحقیق حاضر از کرنل puk به دلیل داشتن دقت بالا، بیشترین ضریب همبستگی و کمترین خطا (94/0 و 84/0) استفاده گردید.